统计之均值中位数众数全距四分位数以及箱线图展示

均值：即平均数，数列中各数总和除以个数。可用numpy.mean函数计算

中位数： 数字从小到大排列的数列中位于中间位置的那个数，如果数列个数为奇数位则中位数位于(n+1)/2, 如果为偶数位则为n/2与n/2+1的两个数的平均值，可以用numpy.median函数计算

众数：数列中出现频率最多的数, 可以用scipy的stats.mode函数计算

全距：数列中最大值与最小值的差

四分位数：将从小到大排列的数列平均分为4段，最小的四分位数称为下四分位数，最大的成为上四分位数，中间的称为中位数

可以用箱线图展示以上数据（仍以维他命价格为例，数据下载地址）

图形如下

左侧为价格的散点图
右侧为箱线图，其中

1. min为价格的最小值
2. max为价格的最大值
3. q1是第一四分位数（下四分位数）即位于25%位值的数
4. median为中位数
5. q3为第三四分位数（上四分位数）也即位于第75%的数，说明50%的价格集中在¥38.9与¥120.45之间
6. upper fence为上限=Q3+1.5IQR，四分位距IQR=Q3-Q1，也就是Q3向上延伸1.5倍IQR的数据点，超出范围则为最大值
7. 下限=Q1-1.5IQR，Q1向下延伸1.5倍IQR距的数据点，超出范围则为最小价格值

代码如下：

    tbdata = pd.read_csv("tb_vitamin_20200925.csv")
    p_median = np.median(tbdata["price"])   # 中位数
    p_mean = np.mean(tbdata["price"])       # 均值
    p = stats.mode(tbdata["price"])
    p_argmax = p[0][0]                      # 众数, p[1][0]返回众数出现的频率
    
    fig = go.Figure()
    fig.add_trace(go.Box(y=tbdata["price"],
                         boxpoints="all",   # 显示所有数据点
                         jitter=0.3,        # 散点的分散程度
                         pointpos=-1.8,     # 散点与box的位置【-2，2】
                         name="箱线图"))
    fig.show()